Disusun Oleh:
Ian Surya Prayoga
16611047
TUGAS AKHIR
NIM : 16611047
ii
HALAMAN PENGESAHAN
TUGAS AKHIR
PEMODELAN KERUGIAN BENCANA BANJIR AKIBAT CURAH
HUJAN EKSTREM MENGGUNAKAN EXTREME VALUE THEORY DAN
COPULA
NIM : 16611047
Mengetahui,
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
iii
KATA PENGANTAR
Assalamu’alaikum Wr.Wb.
Puji dan syukur penulis panjatkan kepada Allah SWT, atas berkat, rahmat,
dan karuniaNya penyusunan Tugas Akhir dengan judul “Pemodelan Kerugian
Bencana Banjir Akibat Curah Hujan Ekstrem Menggunakan Extreme Value
Theory dan Copula”, dapat diselesaikan tepat waktu. Tidak lupa sholawat dan
salam penulis haturkan kepada nabi Muhammad SAW, beserta keluarga,
sahabatnya dan umatnya
Tugas Akhir ini dilakukan sebagai salah satu persyaratan yang harus
dipenuhi dalam menyelesaikan jenjang Strata Satu (S1) di Program Studi
Statistika, Universitas Islam Indonesia.
Penulis menyadari bahwa Penulisan laporan ini banyak memperoleh
bantuan dari berbagai pihak, baik yang berupa saran, kritik, bimbingan maupun
bantuan lainnya. Oleh karena itu, pada kesempatan ini penulis menyampaikan
ucapan terima kasih kepada:
1. Prof. Riyanto, S.Pd., M.Si., Ph.D, selaku dekan Fakultas Matematika Ilmu dan
Pengetahuan Alam.
2. Bapak Dr. Edy Widodo, S.Si., M.Si., selaku ketua Jurusan Statistika Fakultas
Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Indonesia beserta
seluruh jajarannya.
3. Ibu Atina Ahdika, S.Si., M.Si, selaku dosen pembimbing Tugas Akhir, atas
bimbingannya dari awal penelitian sampai selesainya penyusunan Tugas Akhir.
4. Kedua orang tua penulis beserta seluruh keluarga yang selalu mendukung baik
dalam bentuk doa maupun motivasi dan selalu bekerja keras demi kelancaran
studi penulis
iv
5. Sahabat satu kontrakan, Akmal Abdillah, Fata Mukhamad, Hendro Cahyo U,
Adik Fadil, yang selalu menemani dan memberi motivasi selama kuliah hingga
penyusunan Tugas Akhir.
6. Sahabat satu perjuangan dan perantauan, Abiyudha Surya L, yang telah banyak
membantu saya dalam menuntut ilmu sejak dibangku SMP hingga saat ini.
7. Sahabat-sahabat seperjuangan selama perkuliahan Anas Wahyu, Aditya, Iqbal
Fathur, Faisal Ardiansyah, Dhanu Khresna dan Fauzan Azhari, serta Salsabila
Novianingrum dan teman – teman lain yang telah banyak membantu saya
dalam mengerjakan tugas selama masa perkuliahan.
8. Semua pihak yang telah membantu yang tidak bisa penulis sebutkan satu
persatu. Semoga Allah SWT akan selalu memberi rahmat dan anugerah-Nya
tanpa henti.
Penulis menyadari sepenuhnya bahwa dalam Tugas Akhir ini masih jauh
dari sempurna. Oleh karena itu segala kritik dan saran yang sifatnya membangun
selalu penulis harapkan. Semoga Tugas Akhir ini dapat bermanfaat bagi penulis
khususnya dan bagi semua yang membutuhkan. Akhir kata, semoga Allah SWT
selalu melimpahkan rahmat serta hidayah-Nya kepada kita semua, Amin amin ya
robbal ‘alamiin
Wassalamu’alaikum, Wr.Wb .
v
DAFTAR ISI
vi
3.8.1 Copula Gaussian ....................................................................... 24
3.8.2 Copula Clayton ......................................................................... 25
3.8.3 Copula Gumble ......................................................................... 26
3.8.4 Copula Frank ............................................................................ 26
3.8.5 Copula Joe ................................................................................ 27
3.8.6 Copula Clayton-Gumbel (BB1) ................................................ 28
3.8.7 Copula Joe-Gumbel (BB6) ....................................................... 29
3.8.8 Joe – Clayton (BB7) ................................................................. 30
3.8.9 Copula Joe-Frank (BB8) ........................................................... 30
3.9 Pemiliihan Model Terbaik .................................................................... 31
3.10 Korelasi ................................................................................................. 32
3.10.1 Korelasi Rank Spearman .......................................................... 34
3.10.2 Korelasi Rank Kendall’s Tau (τ) .............................................. 34
3.11 Distribusi Poisson ................................................................................. 35
3.12 Distribusi Binomial Negatif.................................................................. 37
3.13 Ukuran Kesalahan Peramalan ............................................................... 37
3.13.1 MAPE ( Mean Absolute Percentage Error ) ............................. 37
3.13.2 MASE ( Mean Absolute Scaled Error ) .................................... 39
BAB IV METODOLOGI PENELITIAN ............................................................. 44
4.1 Populasi dan Sampel Penelitian............................................................ 44
4.2 Sumber Data ......................................................................................... 44
4.3 Variabel Penelitian ............................................................................... 44
4.4 Metode Analisis Data ........................................................................... 45
BAB V PEMBAHASAN ...................................................................................... 49
5.1 Deskripsi Data Curah Hujan ................................................................. 49
5.2 Penentuan Data Sampel dengan Block Maxima ................................... 50
5.3 Uji Kesesuaian Distribusi ..................................................................... 51
5.4 Dugaan Nilai Parameter GEV Univariat .............................................. 52
5.5 Dependensi Spatial Curah Hujan Ekstrem ........................................... 53
5.6 Estimasi Parameter Spatial Extreme Value dengan pendekatan Copula
54
vii
5.6.1 Transformasi Data Marginal GEV ke Copula .......................... 54
5.6.2 Penentuan Kombinasi Model Trend Surface Terbaik
menggunakan pendekatan Copula Gaussian ........................................ 55
5.7 Estimasi Parameter Gaussian Copula ................................................. 57
5.8 Membangkitkan Data Random dengan Hasil Estimasi Parameter
Gaussian Copula ............................................................................................... 57
5.9 Prediksi Curah Hujan dengan Gaussian Copula ................................... 58
5.10 Korelasi Antara Data Curah Hujan dan Korban Bencana Banjir ......... 61
5.11 Estimasi Parameter Data Rumah Rusak Akibat Bencana Banjir ......... 62
5.12 Transformasi Distribusi Data Rumah Rusak ke Margin Copula .......... 63
5.13 Fitting Copula dan Estimasi Parameter Copula .................................... 63
5.14 Prediksi Rumah Rusak dengan Copula Terbaik ................................... 65
BAB VI PENUTUP .............................................................................................. 68
6.1 Kesimpulan ........................................................................................... 68
6.2 Saran ..................................................................................................... 69
viii
DAFTAR TABEL
ix
DAFTAR GAMBAR
x
DAFTAR LAMPIRAN
Lampiran 1 Data Curah Hujan Provinsi Jawa Barat, Jawa Tengah dan Jawa
Timur (mm/hari)............................................................................................ 73
Lampiran 2 Data Curah Hujan Hasil Block Maxima (mm/hari) ......................... 76
Lampiran 3 Data Kerusakan Rumah Akibat Banjir ............................................ 77
Lampiran 4 Data Lokasi Pos Pematan Curah Hujan ........................................... 78
Lampiran 5 Tabel Anderson Darling .................................................................. 78
Lampiran 6 Transformasi dari distribusi GEV ke Margin Copula (u) ................ 79
Lampiran 7 Data Random menggunakan Gaussian Copula ................................ 80
Lampiran 8 Transformasi Data Random Ke Margin Copula .............................. 82
Lampiran 9 Transformasi Data Rumah Rusak Ke Margin Copula ..................... 84
Lampiran 10 Hasil Estimasi Parameter Keluarga Copula Provinsi Jawa Barat .. 86
Lampiran 11 Hasil Estimasi Parameter Keluarga Copula Provinsi Jawa Tengah
....................................................................................................................... 86
Lampiran 12 Hasil Estimasi Parameter Keluarga Copula Provinsi Jawa Timur 87
Lampiran 13 Syntax Analisis Data Penelitian ..................................................... 88
Lampiran 14 Output Analisis Data Penelitian ..................................................... 97
xi
xii
ABSTRAK
xiii
ABSTRACT
xiv
BAB I
PENDAHULUAN
1
2
temperatur rerata harian juga dapat mempengaruhi terjadinya perubahan pola curah
hujan secara ekstrem. UK Met Office lebih lanjut mencatat kekeringan maupun banjir
parah sepanjang 1997 hingga 2009. Analisis data satelit TRMM (Tropical Rainfall
Measuring Mission) dalam ICCSR (Indonesian Climate Change Sectoral Roadmap;
Bappenas, 2010) untuk periode 2003-2008 memperlihatkan peningkatan peluang
kejadian curah hujan dengan intensitas ekstrem, terutama di wilayah Indonesia bagian
barat (Jawa, Sumatera, dan Kalimantan) serta Papua. Selain itu, dalam kurun waktu
antara tahun 1815 dan 2015 Indonesia mengalami banjir sebanyak 5.903 kali atau
sebesar 36,94%, (BNPB, 2016). Provinsi Jawa Tengah merupakan salah satu provinsi
rawan banjir dengan kategori tinggi (BNPB, 2014).
Selain oleh faktor alam, pada saat ini banjir banyak disebabkan oleh aktivitas
yang dilakukan oleh manusia. Misalnya perubahan tata guna lahan yang dijadikan
kawasan pemukiman atau gedung – gedung mengakibatkan berkurangnya daerah
resapan untuk air hujan. Selain itu banyak masyarakat yang kurang disiplin untuk
membuang sampah pada tempat yang ditentukan dan banyak melanggar dengan
membuang sampah langsung ke alur sungai, hal ini biasa dijumpai di kota-kota besar.
Akibat perilaku masyrakat ini, permukaan air banjir akan menjadi tinggi disebabkan
karena aliran air terhalang.
Kerusakan yang disebabkan oleh banjir dapat berupa kerusakan fisik pada
bangunan perumahan. Perbaikan kerusakan rumah tentu membutuhkan sejumlah
biaya, sehingga kerusakan rumah yang terjadi dianggap sebagai suatu kerugian.
Pemerintah dan beberapa organisasi sosial selalu memberikan bantuan berupa dana
untuk memperbaiki rumah atau bangunan yang terdampak banjir tersebut. Akan tetapi,
bantuan yang diberikan oleh pemerintah dan organisasi tersebut sangatlah terbatas,
sehingga tidak bisa digunakan untuk menutup semua biaya perbaikan rumah atau
bangunan tersebut. Salah satu mekanisme perlindungan yang sudah umum digunakan
untuk melindungi atau menutupi biaya kerusakan rumah ialah asuransi. Perusahaan
asuransi akan memberikan penggantian kepada tertanggung atau pemegang polis
karena kerugian, kerusakan, biaya yang timbul, kehilangan keuntungan, atau
tanggung jawab hukum kepada pihak ketiga yang mungkin diderita tertanggung atau
pemegang polis karena terjadinya suatu peristiwa yang tidak pasti. Oleh karena itu,
pemilik rumah disarankan untuk memiliki jaminan asuransi sebagai bentuk proteksi
3
finansial. Disinilah kehadiran produk asuransi untuk menjamin resiko kerugian sangat
penting. Saat suatu bangunan rumah telah diasuransikan, maka perusahaan asuransi
akan menentukan kerugian tahunan dan premi asuransi dari kerusakan rumah akibat
banjir.
Salah satu cara yang dapat digunakan perusahaan asuransi dalam menyediakan
persiapan dana untuk menghadapi dampak akibat banjir yaitu menentukan resiko
kerugian. Menentukan resiko kerugian dapat dilakukan dengan melakukan atau
membuat model kerugian akibat bencana banjir. Dalam melakukan pemodelan
kerugian akibat banjir, hal yang harus dilibatkan yaitu data curah hujan ekstrem.
Curah hujan ekstrem yaitu kondisi yang terjadi ketika jumlah hari hujan yang tercatat
paling banyak melebihi harga rata-rata pada bulan yang bersangkutan di stasiun
tersebut (BMKG,2016). Curah hujan ekstrem menimbulkan kerugian di berbagai
sektor misalnya di sektor pertanian. Oleh karena itu, curah hujan ekstrem perlu
mendapatkan perhatian khusus dalam pemodelan kerugian.
Dalam ilmu statistika, salah satu metode yang digunakan untuk mengidentifikasi
kejadian ekstreme yaitu dengan Extreme Value Theory (EVT). EVT dapat
meramalkan terjadinya kejadian ekstrem pada data heavytail. EVT juga dapat
menjelaskan kerugian kejadian ekstrem yang tidak dapat dimodelkan dengan
pendekatan biasa. Konsep dasar EVT adalah mengkaji perilaku stokastik variabel
random baik maksimum maupun minimum (Kotz dan Nadarajah, 2000). Tujuan
metode ini adalah untuk menentukan estimasi peluang kejadian ekstrem dengan
memperhatikan ekor (tail) fungsi distribusi berdasarkan nilai-nilai ekstrem yang
diperoleh. Identifikasi nilai ekstrem dengan EVT dapat dilakukan dengan dua metode
yaitu metode Block Maxima (BM) dan metode Peaks Over Threshold (POT). Metode
Block Maxima (BM) yaitu mengambil nilai maksimum dalam satu periode yang
disebut sebagai blok dan metode Peaks Over Threshold (POT), yaitu mengambil nilai
yang melewati suatu nilai threshold (McNeill, 1999).
Layla (2017) telah melakukan penelitian untuk memprediksi curah hujan ekstrem
yang terjadi di Ngawi, Jawa Timur. Dalam penelitian tersebut melibatkan 11 pos
pengamatan curah hujan dan menggunakan dua metode yaitu EVT dan Copula.
Penelitian tersebut juga membahas adanya kasus dependensi antar lokasi pos
pengambilan data curah hujan ekstrem. Selanjutnya Fitrianti (2016) melakukan
4
BAB II
TINJAUAN PUSTAKA
Berikut ini merupakan referensi dari objek penelitian ini, dirangkum beberapa
penelitian terdahulu yang menggunakan metode extreme value theory dan copula,
serta banjir sebagai objek penelitian.
Tabel 0.1 Penelitian Terdahulu
No Nama peneliti Judul Penelitian Tahun Isi
1. Hariani Fitriani Menentukan 2016 ➢ Tujuan penelitian ini adalah menentukan
premi murni yaitu dengan menggunakan
Premi Murni
data luas kerugian gagal panen padi (ha)
Menggunakan sebagai variabel terikat dan data faktor
iklim yaitu curah hujan, kelembaban,
Generalized
lamanya penyinaran matahari, dan suhu
Linear Model dan sebagai variabel bebas.
➢ Hasil penelitian ini adalah dependensi
Model Copula
ekor yang cukup kecil hampir untuk
semua negara, dan sebagian besar
hubungannya simetris. Dan juga
ketergantungan ekor relatif kuat untuk
pengembalian indeks saham
negara-negara konsumen dan penghasil
minyak besar (Amerika Serikat dan
Kanada).
➢ Metode yang digunakan: Generalized
Linear Model dan Model Copula
2. Layla Fickri Estimasi 2017 ➢ Tujuan penelitian ini adalah mengkaji
estimasi parameter pada pemodelan
Amalia Parameter Pada
Spatial Extreme Value dan mendapat
Pemodelan model curah hujan ekstrem di Kabupaten
Ngawi.
Spatial Extreme
➢ Hasil penelitian menunjukkan bahwa
Value dengan estimasi parameter SEV dengan MPLE
diperoleh penyelesaian yang tidak close
Pendekatan
form, sehingga dilanjutkan dengan
Copula metode iterasi Nelder-Mead. Nilai
koefisien ekstermal berkisar antara
1,2-1,7 yang berarti bahwa data curah
hujan ekstrem antar lokasi pos hujan di
Kabupaten Ngawi terdapat dependensi.
Kinerja prediksi curah hujan ekstrem
dengan metode Spatial Extreme Value
dengan pendekatan copula diperoleh
RMSE sebesar 38,115.
➢ Metode Estimasi parameter yang
digunakan untuk Spatial Extreme Value
dengan pendekatan copula adalah
Maximum Pairwise Likelihood
Estimation (MPLE).
7
6. Sutopo Purwo Evaluasi dan 2002 ➢ Pada penilitian ini data curah hujan
harian yang diperoleh yang berasal dari
Nugroho Analisis Curah
BMG, Departemen Kimpraswil, Dinas
Hujan Sebagai PU DKI Jakarta, dan BPPT akan
dianalisis dengan membandingkan
Faktor Penyebab
dengan analisis frekuensi hujan
Bencana Banjir maksimum untuk daerah jakarta dan
sekitarnya.
Jalarta
➢ Hasil dari penelitian ini yaitu Banjir yang
terjadi pada tanggal 27 Januari hingga 1
Februari 2002 disebabkan adanya curah
hujan yang tinggi, dimana curah hujan
tersebut bukan hanya di Jakarta namun
juga di daerah penyangganya. Terjadinya
curah hujan dengan intensitas besar dan
durasi lama disebabkan karena adanya
pusat tekanan rendah di atas Selat Sunda
dan di Samudera Hindia.
➢ Metode yang digunakan: metode gumbel
7. B. Renard dan Use of a Gaussian 2007 ➢ Tujuan dari penelitian ini adalah untuk
menyajikan beberapa kemungkinan
M. Lang copula for
aplikasi dari Gaussian copula dalam
multivariate mitigasi bencana banjir.
➢ Hasil dari penelitian ini adalah analisis
extreme value
multivariate extreme value cenderung
analysis: Some meningkatkan resiko hidrologi. Analisis
multivariate extreme value digunakan
case studies in
tanpa formal model statistik untuk
hydrology memperhitungkan ketergantungan.
8. Fermin Mallor, An introduction to 2009 ➢ Penelitian ini bertujuan untuk
menghitung kecepatan angin ekstrem di
dkk statistical
Schiphol, Belanda.
modelling of ➢ Hasil estimasi kecepatan angin dengan
return level 50 menggunakan interval
extreme values.
konfidensi 95% yaitu 255.396 -
Application to 305.700
➢ Metode yang digunakan Extreme Value
calculate extreme
Theory
wind speeds
ini dikembangkan lagi dengan penambahan variabel rumah rusak untuk melihat ada
tidaknya hubungan antara variabel curah hujan dengan variabel rumah rusak. Selain
itu dalam penelitian ini tidak hanya menggunakan copula gaussian, tetapi juga
menggunakan copula keluarga archimedian.
BAB III
LANDASAN TEORI
9
10
Curah hujan dipengaruhi oleh tiupan angin monsoon dan bersifat unimodal (satu
puncak musim hujan, DJF (Desember-Januari-Februari) musim hujan, JJA
(Juni-Juli-Agustus) musim kemarau. Pola curah hujan ini memiliki perbedaan yang
jelas antara periode musim hujan dan periode musim kemarau. Tipe hujan ini terjadi
di wilayah Indonesia bagian selatan, seperti di ujung Pulau Sumatra bagian selatan,
Jawa, Bali, Nusa Tenggara dan Maluku selatan.
3. Tipe Lokal
Pola curah hujan ini dipengaruhi oleh kondisi lingkungan setempat, yakni
adanya perairan sebagai sumber penguapan dan pegunungan sebagai daerah
tangkapan hujan. Pola curah hujan lokal memiliki distribusi hujan bulanan kebalikan
dengan pola monsoon, dicirikan oleh bentuk pola hujan unimodal (satu puncak
hujan), tetapi bentuknya berlawanan dengan tipe hujan monsun. Pola curah hujan ini
terjadi dibeberapa wilayah di Indonesia bagian Timur.
3.2 Banjir
Banjir didefinisikan sebagai tergenangnya suatu tempat akibat meluapnya air yang
melebihi kapasitas pembuangan air disuatu wilayah dan menimbulkan kerugian fisik,
sosial dan ekonomi (Rahayu & Dkk, 2009). Banjir merupakan sebuah peristiwa dimana
dataran yang biasanya kering menjadi digenangi oleh air yang disebabkan oleh curah
hujan yang tinggi dan biasanya daerah tersebut berupa dataran rendah hingga cekung.
Selain itu, terjadinya banjir juga dapat disebabkan oleh limpasan air permukaan (runoff)
yang meluap dan volumenya melebihi kapasitas pengaliran sistem drainase atau sistem
aliran sungai. Terjadinya bencana banjir juga disebabkan oleh rendahnya kemampuan
infiltrasi tanah, sehingga menyebabkan tanah tidak mampu lagi menyerap air. Banjir
dapat terjadi akibat naiknya permukaan air lantaran curah hujan yang diatas normal,
perubahan suhu, tanggul/bendungan yang bobol, pencairan salju yang cepat,
terhambatnya aliran air di tempat lain (Sebastian, 2008).
Berdasarkan faktor penyebab terjadinya, banjir dapat diklasifikasikan dalam dua
kategori, yaitu banjir alami dan banjir oleh tindakan manusia. Banjir akibat alami
dipengaruhi oleh curah hujan, fisiografi, erosi dan sedimentasi, kapasitas sungai,
kapasitas drainase dan pengaruh air pasang. Sedangkan banjir akibat aktivitas manusia
12
Akibat bencana banjir, bangunan-bangunan atau rumah masyarakat akan rusak atau
hancur akibat terkena terjangan air banjir, terseret arus, daya kikis genangan air,
longsornya tanah di seputar/di bawah pondasi, tertabrak/terkikis oleh benturan dengan
benda-benda berat yang terseret arus. Kerugian fisik cenderung lebih besar bila letak
bangunan dilembah-lembah pegunungan dibanding di dataran rendah terbuka. Banjir
dadakan akan menghantam apa saja yang dilaluinya (Sebastian, 2008).
curah hujan, banjir, dan polusi udara. EVT digunakan untuk kasus univariat.
Pengaplikasian EVT sudah dimulai lebih dari 50 tahun yang lalu (Coles, 2001) dalam
berbagai bidang, seperti hidrologi, klimatologi, dan teori reliabilitas.
EVT dapat digunakan untuk meramalkan terjadinya kejadian ekstrem pada data
heavytail yang tidak dapat dilakukan dengan pendekatan standar (konvensional) (Amalia,
2017). Metode ini mampu menjelaskan kerugian kejadian ekstrem yang tidak dapat
dimodelkan dengan pendekatan biasa, seperti distribusi normal, karena data finansial
tidak bersifat normal, lebih bersifat fat tail. Fat tail secara umum berarti nilai ekstrem
yang terjadi lebih sering jika dibandingkan dengan data normal (Dharmawan, 2012).
Sebagian besar data iklim seperti curah hujan memiliki ekor distribusi yang gemuk
(heavytail), yaitu ekor distribusi turun secara lambat bila dibandingkan dengan distribusi
normal. Dampaknya adalah peluang terjadinya nilai ekstrem akan lebih besar daripada
distribusi normal. Konsep dasar EVT adalah mengkaji perilaku stokastik variabel random
baik maksimum maupun minimum (Kotz & Nadarajah, 2000). Metode ini bertujuan
untuk mengkaji perilaku stokastik suatu proses pada suatu nilai ambang tertentu. Analisis
ini juga memungkinkan untuk menaksir peluang suatu kejadian melebihi nilai ambang
(Rinaldi, 2016).
Saat ini ada dua pendekatan yang digunakan untuk melakukan analisis menggunakan
EVT yaitu dengan metode Block Maxima (BM) dan metode Peaks Over Threshold (POT).
Metode Block Maxima (BM) yaitu metode yang mengidentifikasi nilai ekstrem dengan
mengambil nilai maksimum data observasi dalam satu periode tertentu yang disebut
sebagai blok. Pendekatan ini hanya menghasilkan satu nilai ekstrem pada setiap blok.
Sedangkan metode Peaks Over Threshold (POT), yaitu pendekatan yang
mengidentifikasi nilai ekstrem dengan mengambil nilai yang melewati suatu nilai batas
(threshold) tertentu (Rinaldi, 2016). Pada Metode POT ini memungkinkan menghasilkan
satu atau lebih nilai ekstrem pada suatu block atau periode tertentu. Metode Block
Maxima (BM) mengacu pada sebaran GEV sedangkan metode Peak Over Threshold
(POT) mengacu pada sebaran Generalized Pareto (Coles, Improving the Analysis of
Extreme Wind Speed with Information-sharing Models, 2001). Pada penelitian kali ini
14
pendekatan yang digunakan untuk memilihan data ekstrem yaitu dengan pendekatan
Block Maxima.
sampai bulan ke 12. Nilai maksimum setiap blok akan digunakan sampel ekstrem untuk
masing – masing blok. Pada ilustrasi Gambar 3.2 nilai observasi maksimum pada blok
pertama adalah y2 , nilai y2 akan dijadikan sampel ekstrem untuk blok pertama dengan
simbol dari sampel ekstrem blok pertama adalah x1 sehingga y2 = x1 . Untuk blok
kedua nilai maksimum observasi adalah y7 , nilai y7 akan dijadikan sampel ekstrem
untuk blok pertama dengan simbol dari sampel ekstrem blok pertama adalah x2
sehingga y7 = x2 . Untuk blok ketiga nilai maksimum observasi adalah y11 , nilai y11
akan dijadikan sampel ekstrem untuk blok pertama dengan simbol dari sampel ekstrem
blok pertama adalah x3 sehingga y11 = x3 dan untuk bulan berikutnya pengambilan
Probability distribution function (pdf) untuk distribusi GEV seperti persamaan (3.2).
1 −
1
1 x −
−
x − x−
1 + exp − 1 + , 0,1 + 0
f ( x; , , ) = (3.2)
1 x − x −
exp exp − exp , = 0
16
Dimana x adalah nilai ekstrem yang diperoleh dari block maxima dengan -∞ < x < ∞,
μ adalah parameter lokasi (location) dengan -∞ < μ < ∞, 𝜎 adalah parameter skala (scale)
dengan 𝜎 > 0 dan adalah parameter bentuk (shape) dengan - .
Distribusi GEV dibedakan menjadi tiga tipe apabila dilihat berdasarkan nilai
parameter bentuk yaitu Tipe 1 berdistribusi Gumbel, Tipe 2 berdistribusi Frechet, dan
Tipe 3 berdistribusi Reversed Weibull. Tiga tipe tersebut memiliki CDF masing – masing
yang didefinisikan pada persamaan (3.3) sampai persamaan (3.5) sebagai berikut:
a. Distribusi Gumbel ( distribusi extreme value tipe I) untuk = 0
x −
F ( x; , ) = exp − exp − ,− x (3.3)
0 ,x
−
1
F ( x; , ) = x− (3.4)
exp − − , x
−
1
x− , x
exp − −
F ( x; , ) =
(3.5)
1 ,x
Dimana untuk semua tipe distribusi I, II dan III 𝜎 > 0 dan −∞ < 𝜇 < ∞. Bentuk
distribusi GEV mengarah pada distribusi Gumbel untuk = 0 , distribusi Frechet untuk
0 dan distribusi Reversed Weibull untuk 0 . Nilai merupakan parameter
bentuk ekor (tail) dari distribusi. Semakin besar nilai maka distribusi akan memiliki
ekor yang semakin berat (heavytail) sehingga peluang terjadinya nilai ekstrem semakin
besar. Menurut Finkenstadt dan Rootzen (2004) untuk parameter dengan bentuk = 0
dikatakan “medium tail” ada juga menyebutnya “exponential tail” , untuk 0
dikatakan “long tail” dan untuk 0 dikatakan “short tail”. Ketiga tipe distribusi
17
GEV diatas menunjukkan bahwa distribusi yang memiliki ekor paling heavytail ialah
distribusi Frechet untuk 0 .
1
−1 − −1
ln (L( , , )) n n
x − x −
n
x − x −
= − + (1 + ) i 1 + i − i 2 1 + i
i=1
= 0 (3.9)
i =1
−1
ln (L( , , )) n
x − 1 xi −
n
xi −
1
=− 2 ln 1 + i − + 1
1 +
i =1 i =1
1 xi − (3.10)
−
xi − −
n n n
=0
1 +
1 x 1
ln 1 + i
−
i =1
i =1
2
i =1 1 + xi −
(Amalia, 2017).
19
Keterangan:
F(x) : fungsi distribusi kumulatif data sampel
F*(x) : fungsi distribusi kumulatif
n : ukuran sampel
3. Daerah Kritis
Tolak H0 jika p-value < 𝛼 atau jika nilai ADhitung > ADtabel
4. Kesimpulam :
Kesimpulan didapatkan dengan cara membandingkan nilai ADhitung dengan
nilai ADtabel atau dengan membandingkan nilai p-value dengan tingkat
signifikasi (𝛼).
oleh karenanya diperlukan pemodelan spatial extreme value untuk menduga curah hujan
ekstrem.
Salah satu pendekatan yang dapat digunakan untuk melakukan pemodelan spatial
extreme value yaitu menggunakan multivariate extreme value. Data spasial merupakan
data multivariat karena diamati pada beberapa lokasi akibatnya ada asumsi tambahan
yang harus dibuat, seperti asumsi dependensi spasial agar dapat bekerja pada model
yang digunakan. Pada kasus ini, data ekstrem dari beberapa lokasi yang berbeda
dipandang sebagai variabel multivariat atau berdistribusi multivariat. Misalkan S(i,p)
adalah data kejadian ekstrem pada lokasi ke-i dan periode waktu ke p, pada domain
spasial D ⊂ R2. Distribusi dari S(i,p) adalah:
S (i, p) ~ GEV((i, p), (i, p), (i, p)) (3.12)
Dimana (i, p) , (i, p) dan (i, p) merupakan parameter lokasi, skala dan bentuk
dari distribusi GEV dimana p = 1,2,...,P dan i = 1,2,...,I. Parameter distribusi GEV
mengikuti model trend surface yang mempunyai bentuk persamaan model regresi
berganda dengan koordinat (latitude) dan bujur (longitude) sebagai variabel penjelas
(Hakim, 2016). Dengan asumsi bahwa tiap komponen pada tiap lokasi berdistribusi GEV,
selanjutnya dilakukan transformasi seperti pada persamaan (3.23). Dalam konsep spasial
kejadian pada suatu lokasi yang berdekatan cenderung memiliki kemiripan atau memiliki
hubungan yang cukup erat daripada kejadian pada lokasi yang lebih jauh (Amalia, 2017).
Salah satu pendekatan yang dapat digunakan untuk pemodelan spatial extreme value
adalah melalui multivariate extreme value. Pada data multivariat, pendekatan yang sering
digunakan adalah pendekatan copula dan proses max-stable.
Ribatet, 2012). Perbedaan dari dua metode ini adalah pada saat memodelkan dan proses
transformasinya. Untuk pemodelan dan estimasi, Copula menggunakan model Copula
elliptical yaitu gaussian dan student t, sementara max-stable menggunakan model
schlater, smith dan brown-resnick.
Untuk proses transformasinya kedua pendekatan ini menggunakan proses sama yaitu
max-stabel karena proses max-stabel membawa data ke distribusi frechet, akan tetapi
proses transformasi copula menggunakan transformasi sifat ke-1 dan proses max-stabel
menggunakan transformasi sifat ke-2. Sifat transformasi max-stable adalah sebagai
berikut:
1. Distribusi marginal satu dimensionalnya mengikuti distribusi GEV
X ~ GEV ( , , ) dengan fungsi distribusi sebagai berikut:
(x − )1 /
F ( , , ) = exp − 1 + ,− , , 0
(3.13)
Dimana adalah parameter lokasi, adalah parameter skala (scale) dan
adalah parameter bentuk (shape).
2. Distribusi marginal k-dimensional mengikuti distribusi multivariat extreme value.
Z ( j ) adalah proses max-stable yang memiliki margin Frechet unit dengan fungsi
distribusi berikut.
F (z ) = exp (− 1 z ), z 0 (3.14)
Dimana (x), (x), (x) adalah suatu fungsi kontinyu. Proses Z ini juga disebut
max-stable (Padoan, Ribatet, & Sisson, 2010).
( )
θ h j,k semakin mendekati 1 mengindikasikan bahwa antar dua wilayah memiliki
3.8 Copula
Menurut teorema sklar, copula merupakan suatu fungsi yang menghubungkan fungsi
distribusi multivariat dengan distribusi marginalnya (Nelsen & Flores, 2005). Teorema
Sklar menjelaskan peran yang dimainkan copula dalam hubungan antara fungsi distribusi
multivariat dan margin univariatnya. Copula menawarkan cara yang fleksibel untuk
menggambarkan ketergantungan baik linier maupun nonlinier di antara data multivariat
dari distribusi probabilitas marginal mereka dan berfungsi sebagai alat yang ampuh untuk
pemodelan serta mensimulasikan data multivariat yang saling terkait. Copula dapat
23
Fungsi generator ini sangat penting, karena melalui fungsi generator dapat diperoleh
koefisien atas dan bawah dari ekor yang disebut U dan L . Lebih umumnya kita
dapat memperpanjang formula ini untuk memasukkan beberapa dimensi, yaitu sebagai
berikut:
−1
(t ) 0 t (0),
−1 (3.19)
=
0 0 t (0),
Dimana −1 adalah pseudo-inverse kontinu fungsi dengan domain −1 = 0,
Dengan FX j adalah CDF dari distribusi GEV dan xij adalah data observasi ke-i lokasi
ke-j (Amalia, 2017). Kemudian CDF copula gaussian yaitu seperti persamaan (3.25)
sebagai berikut:
Dimana:
: CDF distribusi gaussian,
: Fungsi korelasi
Fungsi korelasi yang digunakan dalam penilitian ini adalah korelasi whittle- mattern.
Fungsi korelasi whittle- mattern dipilih karena fungsi ini lebih fleksibel dan banyak
digunakan meskipun terkadang sulit untuk memperkirakan parameter bentuk ( ). Fungsi
korelasi whittle- mattern didefinisikan pada persamaan berikut (Davison, Padoan, &
Ribatet, 2012).
(h) = 2(c0 + c) −1 (c0 + c )
−1
(|| h||/a )c0 + c Kc0 + c (|| h||/a ) (3.26)
Dimana:
: Fungsi Gamma,
25
a : Parameter Range,
( c0 + c ) : Parameter Still.
Dari CDF copula gaussian dibentuk pdf copula gaussian, pdf copula gaussian
didefinisikan pada persamaan (3.27) sebagai berikut:
c(u1 , u 2 , , u m ) = . .C (u1 , u 2 , , u m ) (3.27)
u1 u 2 u m
Menurut teorema sklar peluang bersama copula didefinisikan dengan perkalian antara
pdf distribusi marginal dengan fungsi CDF copula, sehingga fungsi peluang bersama
didefinisikan seperti pada persamaan (3.28) berikut:
f (x1, x2 ,, xm ) = f x1 ( x1 ). f x2 ( x2 ) f xm ( xm ).c(u1, u2 ,, um ) (3.28)
(
C (u, v ) = u − + v − − 1 )−1
(3.29)
(Ramadhani, 2019).
C (u, v ) = −
1
ln 1 +
( )(
eu − 1 ev − 1 ) (3.31)
e − − 1
Copula Frank merupakan salah satu copula dari keluarga Archimedean yang tidak
memiliki ketergantungan ekor. Berikut merupakan visualisasi dari copula Frank.
27
BB1 (
: u − − 1 ) (3.33)
BB7 (
: 1 − (1 − u ) ) −1
−
(3.35)
1 − (1 − u )
BB8 : − log
(3.36)
1 − (1 − )
Copula dengan dua parameter, di antaranya adalah sebagai berikut (Buike, 2018) :
CBB 8 1
, (u, v ) = 1 − 1 −
1
1 − (1 − u )(
(1 − v ) )
1
, 1,0 1 (3.40)
1 − (1 − )
Copula Joe adalah copula ekstrem, yang memiliki ketergantungan ekor bagian atas,
sementara copula Frank tidak memiliki ketergantungan ekor. Berikut merupakan
visualisasi dari copula BB8.
31
Nilai dari Akaike Information Criterion (AIC) digunakan untuk menentukan model
trend surface terbaik. Nilai AIC yang paling kecil menunjukan model yang terbaik.
Persamaan model trend surface sebagai berikut:
ˆ ( j ) = ˆ ,0 + ˆ ,1longitude ( j ) + ˆ ,2latitude( j )
ˆ ( j ) = ˆ ,0 + ˆ ,1longitude ( j ) + ˆ , 2latitude( j ) (3.46)
ˆ( j ) = ˆ ,0
3.10 Korelasi
Korelasi digunakan untuk mengukur kekuatan dan arah hubungan linier dari dua
veriabel. Dua variabel dikatakan berkorelasi apabila perubahan salah satu variabel
33
disertai dengan perubahan variabel lainnya, baik dalam arah yang sama ataupun arah
yang sebaliknya. Analisis korelasi merupakan salah satu metode statistika yang
digunakan untuk mengukur keeratan hubungan antara dua variabel dengan menggunakan
suatu bilangan yang disebut koefisien korelasi. Koefisien korelasi adalah ukuran
hubungan linear antara dua peubah X dan Y Korelasi (Walpole, 1995). Dengan
demikian koefisien korelasi hanya mengukur kekuatan hubungan linier dan tidak pada
hubungan nonlinier. Nilai koefisien korelasi yang kecil (tidak signifikan) bukan berarti
kedua variabel tersebut tidak saling berhubungan. Mungkin saja dua variabel
mempunyai keeratan hubungan yang kuat namun nilai koefisien korelasinya mendekati
nol, Berikut merupakan persamaan dari koefisien korelasi:
n
(X i − X )(Yi − Y ) (3.47)
i =1
= 12
n
(X i − X )2 (Yi − Y )2
i =1
Nilai korelasi berkisar antara -1<ρ<1. Korelasi bernilai positif, berarti hubungan
antara dua variabel adalah searah, akan tetapi jika korelasi bernilai negatif, maka
hubungan antara dua variabel adalah berlawanan. Selain itu, jika taksiran ρ mendekati
satu, hal tersebut menunjukkan hubungan linear sangat kuat, akan tetapi jika taksiran ρ
mendekati nol maka menunjukkan hubungan linear yang sangat lemah.
Korelasi linier adalah ukuran ketergantungan alami untuk normal multivariat atau
lebih luasnya untuk variabel yang berdistribusi eliptik. Penggunaan korelasi selain
distribusi eliptik (misalnya distribusi normal) harus dilakukan dengan hati-hati.
Setidaknya ada beberapa kesalahan dalam penggunaan korelasi, di antaranya adalah
sebagai berikut (Embrecht, McNeil, & Straumann, 1999).
1. Korelasi hanyalah ukuran skalar alami dari ketergantungan pada distribusi ellips,
sehingga korelasi tidak dapat memberikan informasi apa yang ingin diketahui
terkait struktur ketergantungan.
2. Risiko dependen yang secara positif sempurna belum tentu memiliki korelasi 1,
demikian pula untuk risiko dependen negatif sempurna belum tentu memiliki
korelasi −1.
34
pengukuran ordinal adalah koefisien korelasi yang dikenalkan oleh M.G. Kendall (1938)
yaitu koefisien korelasi Kendall-tau yang dinotasikan dengan τ. Koefisien korelasi ini
memiliki sifat yang sama dengan koefisien korelasi peringkat Spearman-rho, tetapi
berbeda dasar logikanya. Jika untuk koefisien korelasi peringkat Sperman-rho
didasarkan pada peringkat (rank), dimana baik variabel X dan variabel Y masing-masing
kita ranking. Sedangkan untuk koefisien korelasi Kendall-tau salah satu variabelnya
yang diberi peringkat (diurutkan), yaitu variabel X saja atau variabel Y saja dalam hal
ini biasanya adalah variabel X. Sedangkan variabel Y akan dilihat apakah nilai variabel
Y itu searah (konkordan) atau berlawanan arah (diskordan) dengan variabel X yang
sudah diurutkan (Nugroho, Akbar, & Vusvitasari, 2008 ). Rumus yang digunakan untuk
pengujian Kendall’s τ adalah sebagai berikut (Suliyanto, 2014).
Nc − Nd
= (3.49)
N ( N − 1)
2
Dimana 𝜏 merupakan koefisien korelasi Kendall Tau, 𝑁𝑐 merupakan jumlah
angka pasangan Konkordan, 𝑁𝑑 merupakan jumlah angka pasangan Diskordan dan N
merupakan jumlah pengamatan.
e − x
, x = 0,1,2,
f (x : ) = x! (3.50)
0, x lainnya
e − n
xi
=
i =1 xi !
n
e − n
xi
ln L( ) = ln
i =1 xi !
n
n
= ln e − n + ln xi !
xi
− ln (3.52)
i =1
n
= −n ln e + xi ln − ln xi !
i =1
d ln L( )
=0
d
1
−n+ xi = 0
(3.53)
1
xi = n
=
xi
n
x − 1 k
Pr ( X = x ) = (1 − )x − k , x = k , k + 1, k + 2, (3.54)
k − 1
Dengan Pr(X=x) adalah probabilitas terjadi sukses ke-k pada percobaan ke x dan 𝜃
merupakan probabilitas sukses dari setiap percobaan konstan.
untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk rata-rata
persentase absolut kesalahan dan lebih banyak digunakan untuk perbandingan pada
data-data yang mempunyai skala interval waktu berbeda (Robial, 2018). MAPE
dihitung dengan menjumlahkan setiap kesalahan absolut pada tiap periode dengan
mengurangkan nilai aktual dengan nilai hasil peramalan dibagi dengan nilai aktual
periode tersebut baru kemudian dipresentasekan (Razak, 2017).
Skala pengkategorian nilai MAPE yang digunakan pada penelitian dan formula
perhitungannya dijelaskan pada Tabel 2.7 dan persamaan (18):
1
n
At − Ft
MAPE =
n t =1 At
(3.55)
Keterangan:
At : Data aktual pada periode ke-t
Seperti dijelaskan pada Tabel 2.7., suatu model dikatakan memiliki kinerja sangat
baik apabila memiliki nilai MAPE dibawah 10% dan memiliki kinerja baik apabila
nilai MAPE berkisar antara 10% - 20% dan dikatakan layak apabila nilai MAPE
berkisar antara 20% - 50% dan apabila lebih dari itu dikatakan berkinerja buruk
(Razak, 2017). Akan tetapi MAPE memiliki kelemahan menjadi tak terbatas atau
undefined jika ada nilai nol dalam seri.
39
MASE dapat digunakan untuk membandingkan peramalan pada satu seri ataupun
untuk membandingkan hasil perkiraan beberapa seri. Nilai tipikal untuk nilai
satu-langkah MASE kurang dari satu, karena biasanya mungkin untuk mendapatkan
perkiraan lebih akurat daripada metode naive. Nilai MASE multistep sering lebih besar
dari satu, karena menjadi lebih sulit untuk diperkirakan (Hyndman, 2006).
BAB IV
METODOLOGI PENELITIAN
44
45
horizontal
2. Jumlah Banyaknya rumah yang terdampak akibat banjir Unit
Rumah
Rusak
BAB V
PEMBAHASAN
seberapa runcing kurva distribusi data. Semakin besar nilai kurtosisnya, semakin
runcing kurva yang mengindikasikan bahwa keragaman data cenderung lebih kecil.
pola hujan monsun, data dibagi ke dalam blok periode tiga bulanan, block yang
terbentuk yaitu Desember-Januari-Februari (DJF), Maret-April-Mei (MAM),
Juni-Juli-Agustus (JJA) dan September-Oktober-November (SON). Pada pola
monsun, pembagian periode musimnya meliputi DJF yang merupakan periode musim
hujan, MAM merupakan periode transisi dari musim hujan ke musim kemarau, JJA
merupakan periode musim kemarau, dan SON merupakan periode transisi dari musim
kemarau ke musim hujan. Selama periode sampel (2000-2019) terbentuk 79 blok.
Dari satu blok diambil satu nilai ekstrem, nilai ekstrem yang diambil merupakan nilai
maksimum dari masing-masing blok.
Gambar 0.2. Probability plot pada Provinsi Jawa Barat, Jawa Tengah dan Jawa
Timur
52
Dari Gambar 5.2 terlihat bahwa hasil plot ketiga provinsi tersebut menunjukkan
bahwa hampir semua titik sebaran mengikuti garis linier. Hal ini menunjukkan bahwa
sampel ekstrem pada ketiga Provinsi tersebut telah mengikuti distribusi GEV.
Selain melihat dari probability plot pada Gambar 5.2, selanjutnya dilakukan
pengujian Anderson Darling untuk mendukung kesimpulan dari probability plot
Gambar 5.2. Pengujian hipotesis sebagai berikut:
H0: F x =F* x (Data mengikuti distribusi teoritis F*x)
H1: F x ≠ F* x (Data mengikuti distribusi teoritis F*x)
Statistik uji yang digunakan yaitu pada persamaan (3.11) dengan menggunakan
tingkat signifikansi =5% , tolak H0 jika ADhitung lebih besar dari ADtabel .
ADtabel dapat dilihat pada Lampiran 5 atau menggunakan p-value < dan n =79.
Tabel 0.2 Hasil Uji Anderson Darling
skala, dan ˆ sebagai parameter bentuk. Dimana parameter yang akan ditaksir
merupakan parameter perlokasi berdasarkan periode blok tiga bulan. Hasil Parameter
̂ , ̂ dan ˆ diperoleh dari proses estimasi menggunakan MLE. Hasil estimasi
parameter GEV disajikan pada Tabel sebagai berikut
53
No Provinsi ̂ ̂ ˆ
1. Jawa Barat 226.0210656 141.5225902 -0.2187897
2. Jawa Tengah 179.29986206 128.50393438 0.08802087
3. Jawa Timur 181.83745676 162.37721168 -0.04369635
Tabel 5.3 diatas menunjukkan hasil dari estimasi parameter data curah hujan
Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur. Besarnya nilai parameter ̂
(lokasi) dari Provinsi Jawa Barat adalah 226.0210656, Provinsi Jawa Tengah adalah
179.29986806 dan untuk Jawa Timur yaitu 181.83745676. Sedangkan untuk nilai
parameter ̂ (skala) dari Provinsi Jawa Barat adalah 141.5225902, Provinsi Jawa
Tengah adalah 128.50393438 dan untuk Jawa Timur yaitu 162.37721168. Lalu untuk
nilai parameter ˆ (bentuk) dari Provinsi Jawa Barat adalah -0.2187897, Provinsi
Jawa Tengah adalah -0.08802087 dan untuk Jawa Timur yaitu -0.04369635.
Selanjutnya untuk melakukan analisis spatial dengan pendekatan copula, data perlu
dilakukan transformasi ke distribusi frechet karena distribusi frechet memiliki ekor
yang paling heavytail dibandingkan distribusi GEV yang lain dan copula lebih tepat
diterapkan untuk kasus heavytail. Setelah data ditransformasi ke frechet data perlu
ditransformasi lagi ke copula.
Dari Tabel 5.4 diatas dapat dilihat bahwa jarak euclid paling besar yaitu pada
Provinsi Jawa Barat - Jawa Timur dengan nilai 5.234, dan yang terkecil yaitu Jawa
Tengah - Jawa Timur dengan nilai 2.403. Nilai dari jarak euclid menggambarkan
jarak antar lokasi dalam satuan derajat desimal. Satu derajat desimal sama dengan
111.319 km. Sehingga jarak euclid bernilai 2.83 sama dengan 2.83 x 111.319 yaitu
315.03277 km. Sedangkan untuk nilai koefisien ekstermal untuk Provinsi Jawa Barat
- Jawa Tengah sebesar 1.424, untuk Provinsi Jawa Tengah – Jawa Timur adalah 1.027
dan untuk Jawa Barat - Jawa Timur adalah 1.424. Dari tiga pasang ini, nilai koefisien
ekstermal berada pada rentang nilai 1.03- 1.42 sehingga dapat disimpulkan bahwa
terdapat dependensi spatial antar lokasi. Dari hasil tersebut bisa disimpulkan bahwa
ketiga Provinsi tersebut memiliki ketergantungan spasial.
Berdasarkan tabel 5.5 diatas diketahui model yang terbaik adalah model ke-4
dengan AIC sebesar -97.6887. Dari model GEV terbaik dihitung nilai estimasi
parameternya. Hasil estimasi patameter tersebut kemudian dimasukkan kedalam
model sehingga diperoleh persamaan model trend surface terbaik sebagai berikut:
ˆ(j)=0.3145207+0.0006628u(j)
ˆ(j)=2.41652+0.11434v-0.01206u(j)
ˆ(j)=-0.1449
57
Tabel 0.6 Hasil Estimasi Parameter Gaussian Copula dengan Model Trend Surface
Provinsi Latitude Longitude Lokasi ( ̂ ) Skala ( ̂ ) Bentuk ( ˆ )
Tabel 5.6 diatas menunjukkan hasil dari estimasi parameter data curah hujan
menggunakan pendekatan gaussian copula di Provinsi Jawa Barat, Jawa Tengah dan
Jawa Timur. Besarnya nilai parameter ̂ (lokasi) dari Provinsi Jawa Barat adalah
0.386, Provinsi Jawa Tengah adalah 0.388 dan untuk Jawa Timur yaitu 0.389.
Sedangkan untuk nilai parameter ̂ (skala) dari Provinsi Jawa Barat adalah 0.332,
Provinsi Jawa Tengah adalah 0.290 dan untuk Jawa Timur yaitu 0.212. Lalu untuk
nilai parameter ˆ (bentuk) dari Provinsi Jawa Barat adalah -0.145, Provinsi Jawa
Tengah adalah -0.145 dan untuk Jawa Timur yaitu -0.145.
Pada tabel 5.7 terlihat bahwa data random yang diperoleh tidak berada pada
rentang 0-1. Sedangkan tahap awal dalam melakukan analisis menggunakan copula
adalah data yang ada harus berada pada rentang 0 – 1. Sehingga data random yang
diperoleh harus di transformasikan ke margin copula terlebih dahulu. Hasil dari
transformasi ke margin copula dapat dilihat pada lampiran 8. Selanjutnya data yang
sudah bermargin copula tersebut akan digunakan untuk menduga keluarga copula dan
digunakan untuk memprediksi curah hujan pada Provinsi Jawa Barat, Jawa Tengah
dan Jawa Timur.
JAWA BARAT
Aktual Jabar Prediksi Jabar
800
600
400
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-200
JAWA TENGAH
Aktual Jateng Prediksi Jateng
1000
800
600
400
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
JAWA TIMUR
Aktual Jatim Prediksi Jatim
1200
1000
800
600
400
200
0
-200 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Selanjutnya besaran error dari hasil prediksi curah hujan pada Tabel 5.8 diatas
dapat dilihat pada Tabel 5.9 berikut.
Tabel 0.9 Besar Error hasil Prediksi Curah Hujan dengan Gaussian Copula
Nomor Provinsi MAPE MASE
1. Jawa Barat 0.4484322 1.544177
2. Jawa Tengah 0.5410097 1.070871
3. Jawa Timur 0.6301803 1.936578
Pada tabel 5.9 terlihat bahwa nilai MAPE dan MASE untuk Provinsi Jawa Barat
sebesar 0.4484322 dan 1.544177, nilai MAPE dan MASE untuk Provinsi Jawa
Tengah sebesar 0.5410097 dan 1.070871 dan untuk Provinsi Jawa Timur nilai MAPE
dan MASE yaitu 0.6301803 dan 1.936578. Suatu model dikatakan layak atau cukup
jika nilai MAPE beriksar antara 20% sampai 50% dan apabila diatas rentang itu
dikatakan buruk. Jadi bisa disimpulkan bahwa model curah hujan untuk Provinsi
Jawa Barat layak digunakan karena memiliki nilai MAPE 44.8 % dan model untuk
61
Provinsi Jawa Tengah dan Jawa Timur dapat dikatakan buruk karena memiliki nilai
MAPE 54% dan 63%.
5.10 Korelasi Antara Data Curah Hujan dan Korban Bencana Banjir
Pada penelitian kali ini, peneliti ingin mengetahui seberapa besar hubungan
antara variabel curah hujan dan rumah rusak menggunakan uji korelasi. Hasil dari uji
korelasi ditampilkan pada tabel 5.10 berikut ini:
Tabel 0.10 Hasil Uji Korelasi Antara Data Curah Hujan Dan Rumah Rusak
Nomor Curah Hujan – Rumah Pearson Kendall Spearman
Rusak
1. Jawa Barat 0.2298637 0.3054785 0.4072021
2. Jawa Tengah 0.1375021 0.335002 0.4596583
3. Jawa Timur 0.0719615 0.2467116 0.344936
Tabel 5.10 diatas menunjukan nilai korelasi yang diperoleh antar variabel
menggunakan nilai korelasi Pearson, Spearman, dan Kendall. Nilai korelasi Pearson
menunjukan ada atau tidaknya hubungan linear antar variabel, sedangkan nilai
korelasi Spearman dan Kendall menunjukan tingkat kekuatan hubungan antar
variabel tersebut. Nilai Korelasi antara curah hujan dan rumah rusak pada Provinsi
Jawa Barat menggunakan korelasi pearson, kendall dan separman secara berurutan
yaitu 0.2298637, 0.3054785 dan 0.4072021. Untuk nilai Korelasi antara curah hujan
dan rumah rusak pada Provinsi Jawa Tengah menggunakan korelasi pearson, kendall
dan separman secara berurutan yaitu 0.1375021, 0.335002 dan 0.4596583. Sedangkan
nilai korelasi antara curah hujan dan rumah rusak pada Provinsi Jawa Timur
menggunakan korelasi pearson, kendall dan separman secara berurutan yaitu
0.0719615, 0.2467116 dan 0.344936. Ketiga nilai korelasi tersebut menunjukkan arah
korelasi yang positif untuk masing - masing pasangan variabel. Namun ketiganya
memiliki nilai korelasi yang kecil, sehingga bisa disimpulkan bahwa terdapat variabel
lain selain curah hujan yang mempengaruhi rumah rusak ketika terjadi banjir. Dari
data yang ada, terdapat nilai intensitas curah hujan yang kecil atau pun sedang tetapi
memiliki jumlah rumah rusak yang besar. Hal ini dikarenakan lokasi pos pantauan
curah hujan tidak ada pada lokasi yang mengalami kerusakan rumah yang besar
tersebut. Sehingga hal ini bisa mempengaruhi hasil dari nilai korelasi.
62
binomial negatif data kerusakan rumah pada Provinsi Jawa Timur menggunakan
distribusi poisson yaitu 0.06679072 dan 258.07516612, dengan nilai AIC sebesar
526.7250. Dari tabel 5.11 tersebut terlihat bahwa nilai AIC dari distribusi binomial
negatif lebih kecil dari pada distribusi poisson, sehingga untuk data rumah rusak
distribusi yang digunakan yaitu distribusi binomial negatif.
mengikuti copula Frank. Nilai parameter ˆ copula Frank pada Provinsi Jawa Barat
64
sebesar 1.4999840280 dan nilai AIC sebesar -1.5012568. Nilai parameter ˆ copula
Frank pada Provinsi Jawa Tengah sebesar -0.5816995330 dan nilai AIC sebesar
1.236430. Kemudian untuk Provinsi Jawa Timur nilai parameter ˆ copula Frank
sebesar -0.8648329345 dan memiliki nilai AIC sebesar 1.045856. Nilai ˆ ini
merupakan parameter ketergantungan antar variabelnya, model copula Frank tidak
memiliki tail dependensi atau ekor ketergantungan bagian atas dan bawah. Oleh
karena itu interpretasi dependensinya dijelaskan berdasarkan nilai parameternya,
untuk Provinsi Jawa Barat nilai parameter bernilai positif menunjukan adanya
hubungan yang erat antara curah hujan ekstrem dan rumah rusak akibat banjir ketika
keduanya sama – sama bernilai tinggi, artinya ketika curah hujan tinggi maka rumah
yang mengalami kerusakan akibat banjir juga tinggi. Sedangkan untuk Provinsi Jawa
Tengah dan Jawa Timur nilai parameter bernilai negatif menunjukan adanya
hubungan yang erat antara curah hujan ekstrem dan rumah rusak akibat banjir ketika
keduanya sama – sama bernilai rendah, artinya ketika curah hujan rendah maka
rumah yang mengalami kerusakan akibat banjir juga rendah.
Berdasarkan model yang terpilih, model masing – masing copula dapat ditulis
seperti berikut ini:
1. Model copula frank antara curah hujan ekstrem dan rumah rusak di Jawa
C (u , v ) = −
1
ln 1 +
( )(
eu − 1 ev − 1 )
e − − 1
=−
1
ln 1 +
e1.49
(u 1
)(
− 1 e 49v − 1
.
)
1.49 e −1.49 − 1
2. Model copula frank antara curah hujan ekstrem dan rumah rusak di Jawa
C (u , v ) = −
1
ln 1 +
( )(
eu − 1 ev − 1 )
e − − 1
=
1
ln 1 +
( )(
e − 0.58u − 1 e − 0.58v − 1 )
0.58 e 0.58 − 1
3. Model copula frank antara curah hujan ekstrem dan rumah rusak di Jawa
C (u , v ) = −
1
ln 1 +
( )(
eu − 1 ev − 1 )
e − − 1
=
1
ln 1 +
e −
(
0. 86 u
)(
−
− 1 e .86v − 1
0
)
0.86 e 0.86 − 1
JAWA BARAT
Aktual Jabar Prediksi Jabar
3000
2500
2000
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
JAWA TENGAH
Aktual Jateng Prediksi Jateng
2000
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
66
JAWA TIMUR
Aktual Jatim Prediksi Jatim
6000
5000
4000
3000
2000
1000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Dari Tabel 5.14 diperoleh nilai MASE untuk dari hasil prediksi pada Provinsi Jawa
Barat yaitu 1.009497, untuk provinsi Jawa Tengah yaitu 0.84625 dan untuk Jawa
Timur yaitu 1.112388.
BAB VI
PENUTUP
Pada bab ini akan dipaparkan hasil dari analisis yang telah dilakukan pada bab
sebelumnya. Dari hasil analisis tersebut akan diperoleh suatu kesimpulan dari kerja
praktik ini dengan disertai masukan dan saran berdasarkan hasil yang sudai di capai.
6.1 Kesimpulan
Dari penelitian yang berjudul “Pemodelan Kerugian Bencana Banjir Akibat
Curah Hujan Ekstrem Menggunakan Extreme Value Theory dan Copula” dapat
ditarik beberapa simpulan sesuai dengan masalah yang dirumuskan, yakni antara lain:
1. Model curah hujan ekstreme pada Provinsi Jawa Barat, Jawa Tengah dan Jawa
Timur menggunakan estimasi Spatial Extreme Value dengan pendekatan
copula menghasilkan model trend surface sebagai berikut:
ˆ(j)=0.3145207+0.0006628u(j)
ˆ(j)=2.41652+0.11434v-0.01206u(j)
ˆ(j)=-0.1449
Model trend surface ini kemudian digunakan untuk membangkitkan data
random. Kemudian data random ini disandingkan dengan data aktual dan
kemudian dihitung nilai kesalahan peramalan menggunakan MAPE. Hasilnya,
hanya model curah hujan untuk Provinsi Jawa Barat yang layak digunakan
karena memiliki nilai MAPE 44.8 %. Sedangkan untuk Jawa Tengah dan
Jawa Timur dapat dikatakan buruk karena memiliki nilai MAPE 54% dan
63%.
2. Nilai koefisien ekstermal pada ketiga pasang Provinsi berada pada rentang
nilai 1.03- 1.42 sehingga dapat disimpulkan bahwa terdapat dependensi
spatial antar Provinsi, artinya ketiga Provinsi tersebut memiliki
ketergantungan spasial.
3. Model Copula untuk Provinsi Jawa Barat, Provinsi Jawa Tengah dan Jawa
Timur mengikuti copula Frank. Nilai parameter ˆ copula Frank pada
Provinsi Jawa Barat sebesar 1.4999840280 dan nilai AIC sebesar
-1.5012568. Nilai parameter ˆ copula Frank pada Provinsi Jawa Tengah
68
sebesar -0.5816995330 dan nilai AIC sebesar 1.236430. Kemudian untuk
Provinsi Jawa Timur nilai parameter ˆ copula Frank sebesar
-0.8648329345 dan memiliki nilai AIC sebesar 1.045856.
6.2 Saran
Beberapa usulan saran berikut ini diharapkan dapat menjadi bahan
pertimbangan bagi penelitian selanjutnya yaitu
1. Perlu dilakukan penelitian menggunakan pendekatan peak over treshold
dalam penentuan sampel ekstrem untuk melihat perbandingan dari sisi
validitas menggunakan RMSE dan sisi kebaikan model dengan nilai AIC
yang dihasilkan,
2. Penelitian bisa dikembangkan ke arah pemodelan copula multivariat sehinga
bisa mempertimbangkan faktor - faktor lain yang mempengaruhi kerusakan
rumah,
3. Jika memungkinkan, jumlah data bisa ditambah sehinga bisa memodelkan
dengan lebih baik.
69
DAFTAR PUSTAKA
AghaKouchak, A., Easterling, D., Hsu, K., Schubert, S., & Sorooshian, S. (2013).
Extremes in a Changing Climate: Detection, Analysis and Uncertainly. New
York: Springer.
Amalia, L. F. (2017). Estimasi Parameter pada Pemodelan Spatial Extreme Value
Dengan Pendekatan Copula.
Anonim. (2009). R untuk Pengelolaan & Analisis Statistik. Jakarta: Universitas
Gunadarma.
Azizah, S. (2016). ESTIMASI PARAMETER MODEL SMITH PADA MAX-STABLE
PROCESS SPATIAL EXTREME VALUE (Studi Kasus : Pemodelan Curah
Hujan Ekstrem di Kabupaten Ngawi). Surabaya: Intitute Teknologi Sepuluh
Nopember.
Babu, G. J. (2004). Model Fitting and Model Selection. Penn Stat University.
BMKG. (2020). Diambil kembali dari Daftar Istilah Klimatologi:
http://balai3.denpasar.bmkg.go.id/daftar-istilah-musim
Brechmann , E. C., & Schepsmeier, U. (2013). Modeling Dependence with C- and
D-Vine Copulas: The R Package CDVine. Journal of Statistica lSoftware,
1-27.
Buike, A. (2018). Copula Modeling for World’s Biggest Competitors . Amsterdam:
University of Amsterdam: Faculty of Economics and Business Amsterdam
School of Economics.
Coles, S. (2001). An Introduction to Statistical Modelling of Extreme Value. London:
Springer - Verlag.
Coles, S. (2001). Improving the Analysis of Extreme Wind Speed with
Information-sharing Models. de l’Institut Pierre Simon Laplace, no. 11, p. 12,
284.
Cooley, D., Nyckah, D., & Naveau, P. (2007). A dependence measure for
multivariate and spatial extremes: Properties and inference. Journal of the
American Statistical Association, 824-840.
Davison, A., Padoan, S., & Ribatet, M. (2012). Statistical Modeling of Spatial
Extremes. Statistical Science, 161-186.
Dharmawan, K. (2012). Estimasi Nilai VaR Dinamis Indeks Saham Menggunakan
Peak-Over Threshold dan Block Maxima. Jurnal Matematika Vol. 2 No. 2,
ISSN : 1693-1394.
Embrecht, P., McNeil, A., & Straumann, D. (1999). Correlation and Dependence In
Risk Management: Properties and Pitfalls.
70
Embrechts, P., Lindskog, F., & McNeil, A. (2001). Modelling Dependence with
Copulas and Applications to Risk Management.
Engmann, S., & Cousineau, D. (2011). Jurnal of Applied Quantitative Methods, Vol
6, No 3.
Genest, C., & Favre, A.-C. (2007). Everything you always wanted to know about
copula modeling but were afraid to ask. J Hydrologic Eng, 347-368.
Gilli, M., & Kellezi, E. (2006). An application of extreme value theory for Measuring
Financial Risk. Computational Economics, 1-23.
Gudendorf,, G., & Segers, J. (2010). Extreme-value copulas, Copula theory and its
aplicationa. hal.127-145.
Hakim, A. R. (2016). Pemodelan Spatial Extreme Value dengan Pendekatan
Max-Stable Process. Surabaya: Institute Teknologi Sepuluh Nopember.
Herrhyanto, N. (2003). Statistika Matematika Lanjutan. Bandung: CV. Pustaka Setia.
Kodoatie, Robert J, & Sugiyanto. (2002). Banjir: Beberapa Penyebab dan Metode
Pengendaliannya dalam Perspektif Lingkungan. Yogyakarta: Pustaka Pelajar.
Kotz, S., & Nadarajah, S. (2000). Extreme Value Distribution: Theory and
Applications. London: Imperial College Press.
McNeil, A. J. (1999). Extreme Value Theory for Risk Managers. 1-17.
Nelsen, R. B., & Flores, M. Ú. (2005). The lattice-theoretic structure of sets of
bivariate copulas and quasi-copulas. Comptes Rendus Mathematique, vol.341,
no.9, hal.583-586.
Nugroho, S., Akbar, S., & Vusvitasari, R. (2008 ). Kajian Hubungan Koefisien
Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G) , dan
Somers . Jurnal Gradien Vol.4 No.2 , 372-381 .
Okhrin, O. (2015). Estimation of the Dependence Parameter in Bivariate
Archimedean Copula Models Under Misspecification. Berlin:
Humboldt-Universit¨at zu Berlin.
Padoan, S., Ribatet, M., & Sisson, S. A. (2010). Likelihood-based inference for
max-stable processes. Journal of the American Statistical Association,,
vol.105, no.489, hal.263-277.
Rahayu, & Dkk. (2009). Banjir dan Upaya Penanggulangannya. Bandung: Pusat
Mitigasi Bencana (PMB-ITB).
Ramadhani, I. (2019). Identifikasi Struktur Dependensi dan Prediksi Indeks Harga
Saham Gabungan Menggunakan Regresi Berbasis D-Vine Copula.
Yogyakarta: Universitas Islam Indonesia.
Ramadhani, I. R. (2015). TESIS - SS 142501.
71
Rinaldi, A. ( 2016). Sebaran Generalized Extreme Value (GEV) dan Generalized
Pareto (GP) untuk Pendugaan Curah Hujan Ekstrim di Wilayah DKI Jakarta.
Al-Jabar: Jurnal Pendidikan Matematika Vol. 7, No. 1, Hal 75 - 84.
Sch¨olzel, C., & Friederichs, P. (2008). Multivariate non-normally distributed random
variables in climate research – introduction to the copula approach. Nonlinear
Processes in Geophysics.
Schlather , M., & Tawn, J. A. (2003). A dependence measure for multivariate and
spatial extremes: Properties and inference. Biometrika. Vol. 90, No. 1 ,
139-156.
Schölzel, C., & Friederichs, P. (2008). Multivariate Non-Normally Distributed
Random Variables, Climate Research–Introduction to The Copula Approach.
Nonlin. Processes Geophys, hal.761–772.
Sebastian, L. (2008). Pendekatan Pencegahan dan Penaggulanganan Banjir. Dinamika
Teknik Sipil, 162-169.
Setiawan, A. (2012). Penentuan Distribusi Skewness dan Kurtosis dengan Metode
Resampling Berdasar Densitas Kernel. Prosiding Seminar Nasional Sains dan
Pendidikan Sains VII UKSW. Salatiga: Universitas Kristen Satya Wacana.
Shrader. (1991). Kamus Saku Fisika. Jakarta: Erlangga.
Suliyanto. (2014). Statistika Non parametrik. Yogyakarta: CV.ANDI OFFSET.
Walpole, R. E. (1995). Ilmu Peluang dan Statistika untuk Insyinyur dan Ilmuwan
terjemahan RK Sembiring. Bandung: ITB.
Wibowo, H. (2008). Desain Prototipe Alat Pengukur Curah Hujan Jarak Jauh
Dengan Pengendalian Komputer. Jember : Universitas Jember.
72
73
Lampiran 1 Data Curah Hujan Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur
(mm/hari)
n α
0.250 0.150 0.100 0.050 0.025 0.010 0.005 0.001
10 1.2419 1.6277 1.9518 2.5121 3.0990 3.9083 4.5175 5.9897
20 1.2500 1.6290 1.9385 2.5020 3.0731 3.8995 4.5117 5.9852
30 1.2457 1.6210 1.9313 2.5130 3.1111 3.9673 4.5309 5.8924
40 1.2450 1.6173 1.9362 2.5042 3.1047 3.9397 4.5889 6.1275
50 1.2425 1.6163 1.9277 2.4941 3.0933 3.9200 4.5211 5.943
60 1.2464 1.6225 1.9367 2.5044 3.0776 3.9234 4.4858 6.0808
70 1.2515 1.6245 1.9304 2.4959 3.0889 3.8673 4.5326 5.9428
80 1.2384 1.6148 1.9235 2.4951 3.0778 3.8458 4.4808 5.9249
90 1.2461 1.6177 1.9326 2.5064 3.1020 3.9239 4.5856 6.0412
100 1.2399 1.6235 1.6235 2.4901 3.0655 3.8319 4.4068 5.8987
Mean 1.2453 1.6211 1.9355 2.4986 3.0916 3.9033 4.5416 6.0255
79
No. Jawa Barat Jawa Tengah Jawa Timur No. Jawa Barat Jawa Tengah Jawa Timur
1 0.455084 0.61914909 0.5754327 41 0.94721967 0.84723206 0.81359053
2 0.07946474 0.14123444 0.18423961 42 0.35436515 0.69467985 0.64803178
3 0.60667795 0.73355457 0.6875591 43 0.82904776 0.52554609 0.49178383
4 0.42816762 0.71513242 0.66862761 44 0.39795328 0.79600436 0.75468724
5 0.41594554 0.64258885 0.5974189 45 0.75228741 0.41613134 0.40066692
6 0.27110506 0.40232747 0.38955974 46 0.13127107 0.09758036 0.14712864
7 0.94398963 0.34148197 0.34135259 47 0.61734535 0.7829621 0.74026709
8 0.96638182 0.86893318 0.83970397 48 0.57278131 0.85442764 0.82216978
9 0.67164932 0.29303738 0.30359349 49 0.53936674 0.61958192 0.57583457
10 0.13815323 0.01393579 0.05430602 50 0.05882744 0.07602695 0.12743225
11 0.29265616 0.73355457 0.6875591 51 0.9512211 0.57886419 0.53866883
12 0.87654749 0.94314236 0.93422307 52 0.99010777 0.87994253 0.85322792
13 0.71819192 0.35268383 0.35014867 53 0.98237483 0.68923225 0.64261788
14 0.07325888 0.02256263 0.06795196 54 0.38217869 0.59498034 0.55322826
15 0.59942302 0.3248177 0.32831897 55 0.21878686 0.36787984 0.36213281
16 0.29508879 0.79525852 0.75385657 56 0.81871319 0.99346489 0.99640791
17 0.57559798 0.61806533 0.57442714 57 0.81986269 0.353545 0.35082617
18 0.07491659 0.09269853 0.14277327 58 0.29095768 0.26136678 0.27904374
19 0.26453305 0.4746752 0.44866984 59 0.55550935 0.35038693 0.34834257
20 0.81656591 0.60554096 0.56287449 60 0.60393169 0.58536595 0.54451958
21 0.5829961 0.31018635 0.31691793 61 0.61981016 0.32654096 0.3296642
22 0.30587697 0.59156575 0.55012746 62 0.05651684 0.10240048 0.15137834
23 0.36730489 0.17494523 0.21147516 63 0.87308115 0.23068181 0.2552366
80
No. Jawa Barat Jawa Tengah Jawa Timur No. Jawa Barat Jawa Tengah Jawa Timur
24 0.56300887 0.98318048 0.98561109 64 0.59262657 0.71103891 0.66447062
25 0.38506237 0.35842299 0.35466743 65 0.12335853 0.37645861 0.36892744
26 0.0455578 0.04859917 0.09984753 66 0.04931964 0.24827007 0.2688922
27 0.11830376 0.2504894 0.2706131 67 0.08775208 0.76175434 0.71728224
28 0.92235329 0.62388907 0.57984188 68 0.30022076 0.82203476 0.78415231
29 0.88193134 0.4480717 0.4266637 69 0.76754166 0.59088028 0.54950603
30 0.21900128 0.02877627 0.07646125 70 0.1142672 0.13468561 0.17883533
31 0.60443152 0.71121052 0.66464453 71 0.8554504 0.71275088 0.66620697
32 0.80610158 0.98984136 0.99296197 72 0.4027055 0.97067936 0.97020511
33 0.63131063 0.53435188 0.49939958 73 0.55680482 0.43538037 0.4162818
34 0.06345417 0.09085691 0.1411158 74 0.04100039 0.09456021 0.14444059
35 0.50380378 0.83830287 0.80305203 75 0.90608547 0.21771033 0.24513509
36 0.64506343 0.89000672 0.8657542 76 0.62104026 0.78124352 0.73838342
37 0.71968747 0.71580961 0.66931702 77 0.56042676 0.45900526 0.43566658
38 0.10617943 0.11884144 0.16555249 78 0.032808 0.01441579 0.05514718
39 0.60941723 0.24439676 0.26588784 79 0.60268111 0.78414432 0.74156508
40 0.96298434 0.83093081 0.79443992
No. Jawa Barat Jawa Tengah Jawa Timur No. Jawa Barat Jawa Tengah Jawa Timur
1 0.606009757 0.552455633 0.316163793 41 6.502144713 1.416128762 0.809044027
2 2.274362693 1.516978789 1.581857767 42 4.6483137 6.093366566 1.842053861
3 1.056833761 2.316537193 3.138873283 43 0.540411694 0.408841367 0.467231714
81
No. Jawa Barat Jawa Tengah Jawa Timur No. Jawa Barat Jawa Tengah Jawa Timur
4 295.1140986 119.7684707 27.75406331 44 0.79220464 0.988906079 0.773611739
5 0.547848582 0.707251765 0.580336212 45 1.245884463 1.862593545 4.575456476
6 2.90275268 1.231622954 1.247605395 46 1.675838208 0.907711616 0.619073769
7 0.952028607 0.460082869 0.729288689 47 2.200488812 1.010807483 0.952293019
8 3.436436264 1.285479632 0.927966749 48 0.427300135 0.433653055 0.419074976
9 0.555554044 0.481946491 0.676679712 49 6.755085467 6.742820839 3.762697584
10 4.756701532 8.913733286 13.1224749 50 1.181423043 1.262881087 1.861605336
11 1.233435601 0.266231335 0.271956819 51 1.046107898 0.309003887 0.198908473
12 4.857284614 5.913723064 2.051060117 52 3.017077969 7.078618597 11.98931513
13 2.575475136 5.171526067 1.853173063 53 2.041858656 0.593644599 0.797669546
14 2.821566496 28.91463129 7.069482087 54 12.73480467 5.015750552 19.30368403
15 4.173285772 2.576286325 0.938641931 55 0.148534726 0.144422808 0.209192832
16 0.579409816 0.670437767 0.676796042 56 1.565451179 0.654762215 1.232074591
17 0.400869232 0.430104062 0.381394286 57 0.720113052 0.401536687 0.409221637
18 3.829966547 7.066697464 4.611146154 58 8.44843067 2.846897982 1.2420613
19 0.304239144 0.460285181 0.321555568 59 1.37122256 0.746318016 0.637202298
20 0.837245071 1.221027154 2.453219516 60 2.350048142 4.391508595 8.464389418
21 3.306719895 6.472654681 3.693471629 61 0.72296906 0.713251712 1.225101679
22 0.418438723 0.388116461 1.001410956 62 5.022576848 5.579509557 3.961258543
23 6.353358536 3.636140294 1.551949527 63 0.251534961 0.572449251 1.011408291
24 8.423082536 7.189619033 5.013482854 64 1.399544245 1.213935501 0.901987761
25 0.242413285 0.574868837 0.676026558 65 0.740750434 0.688103302 0.397370982
26 2.352914879 4.385047827 11.30132077 66 31.38628528 14.55022324 9.725380474
27 10.13552554 5.5666614 5.179631617 67 2.749579187 6.830117097 2.968906497
28 0.250165203 0.313697113 0.611015074 68 0.482901304 0.613493773 0.630258156
29 1.000044883 0.610720014 0.729384758 69 111.0356809 7.357573583 1.098289741
82
No. Jawa Barat Jawa Tengah Jawa Timur No. Jawa Barat Jawa Tengah Jawa Timur
30 1.851801742 0.702220826 0.391502397 70 3.232987295 5.217181726 7.252552237
31 7.876159364 3.801631319 0.911682327 71 1.790550675 2.301754111 1.104632479
32 2.658421244 1.688711655 2.336835267 72 3.26721132 1.227352306 0.72364991
33 5.124459722 3.039166444 1.084857324 73 0.213186244 0.188142172 0.287984993
34 143.2763858 146.8271647 95.95063887 74 2.982528352 2.297652921 1.025669775
35 0.320489334 0.656046099 0.875714277 75 8.500952896 1.496018006 0.934504821
36 0.990616183 2.082122128 1.866832967 76 0.765510536 0.468059878 0.506665878
37 5.930692102 7.929623518 3.315984806 77 0.563915201 0.674534742 1.016290835
38 3.509153284 2.510553342 3.471171051 78 2.72897236 3.150530937 7.996610896
39 1.048202173 1.348599247 0.761062483 79 0.524510522 1.498784421 1.683195015
40 2.054040994 6.02776615 7.417889585
No Jawa Barat Jawa Tengah Jawa Timur No Jawa Barat Jawa Tengah Jawa Timur
1 0.192023322 0.163637755 0.042302144 41 0.85744743 0.493540441 0.290536322
2 0.64424022 0.517262396 0.531438346 42 0.806435161 0.848646212 0.581076831
3 0.388204658 0.649417935 0.727176789 43 0.157167827 0.086644959 0.117623589
4 0.996617215 0.991685317 0.964610621 44 0.283002342 0.363775494 0.274545551
5 0.161165761 0.243187226 0.178504928 45 0.448143115 0.584565884 0.803677324
6 0.708574137 0.443997299 0.448639554 46 0.550616723 0.332315161 0.198827755
7 0.349801788 0.113776249 0.25380244 47 0.634800513 0.371833885 0.349903822
8 0.74751632 0.459360601 0.340403085 48 0.096301112 0.099659998 0.091977816
9 0.165298079 0.12556658 0.228138125 49 0.862399536 0.862167352 0.766617902
10 0.810398065 0.893877588 0.926626102 50 0.428940592 0.453010403 0.584399307
83
No Jawa Barat Jawa Tengah Jawa Timur No Jawa Barat Jawa Tengah Jawa Timur
11 0.4445274 0.02337398 0.025297383 51 0.384456612 0.039312795 0.006555585
12 0.813933718 0.844425966 0.61412748 52 0.717884546 0.868254416 0.919976089
13 0.678223859 0.82417984 0.582972648 53 0.612779653 0.185535404 0.285460397
14 0.701585115 0.966006644 0.868095908 54 0.924478987 0.819245113 0.949515349
15 0.786927352 0.678306781 0.344600679 55 0.001191631 0.000983774 0.008393661
16 0.178013813 0.225020729 0.228196082 56 0.527928999 0.217127182 0.444129465
17 0.082531183 0.097781613 0.072660416 57 0.249406585 0.082874119 0.086842117
18 0.770204753 0.868047522 0.805037981 58 0.88837158 0.703801084 0.4470373
19 0.037369963 0.113884997 0.044606201 59 0.482257914 0.261868875 0.208178308
20 0.302887625 0.440879975 0.665226559 60 0.653427824 0.796353433 0.888569856
21 0.739031683 0.856846821 0.762808712 61 0.250778536 0.246096983 0.442082493
22 0.091644696 0.076036163 0.368398137 62 0.819467135 0.835915939 0.776898924
23 0.854364751 0.759559293 0.525003236 63 0.018768216 0.17431701 0.372052469
24 0.888055194 0.870150209 0.819171237 64 0.489427804 0.438775672 0.330000043
25 0.016160481 0.1756034 0.227812621 65 0.25924484 0.233804457 0.080738473
26 0.65376668 0.796086299 0.915316627 66 0.968641166 0.933581076 0.902285996
27 0.906048116 0.83557022 0.824429272 67 0.695105242 0.863803148 0.714034249
28 0.018364084 0.04126303 0.194636642 68 0.12608279 0.195927929 0.204609617
29 0.367895952 0.194482802 0.253848282 69 0.99103432 0.872917375 0.402320378
30 0.582739737 0.240736221 0.07774953 70 0.733952142 0.82557566 0.871201056
31 0.880764116 0.768707327 0.333913501 71 0.572073726 0.647619937 0.404429248
32 0.686490351 0.553127134 0.651857578 72 0.73633403 0.442744695 0.251105106
33 0.822717393 0.719615966 0.397810229 73 0.009179944 0.004916642 0.031042341
34 0.993044783 0.993212412 0.989632096 74 0.715133529 0.64711792 0.377202662
35 0.044147073 0.217777119 0.319203972 75 0.889021489 0.512506876 0.342979213
36 0.36441108 0.618610637 0.585279034 76 0.270815433 0.118069861 0.138943586
84
No Jawa Barat Jawa Tengah Jawa Timur No Jawa Barat Jawa Tengah Jawa Timur
37 0.844834622 0.881518411 0.739656392 77 0.169769054 0.227068549 0.373823955
38 0.752037546 0.671448095 0.749696205 78 0.693198904 0.728034517 0.882450152
39 0.38519159 0.476393956 0.268755681 79 0.148593714 0.513139592 0.552054656
40 0.614562159 0.847131843 0.873882604
No Jawa Barat Jawa Tengah Jawa Timur No Jawa Barat Jawa Tengah Jawa Timur
1 0.474208381 0.481808264 0.575986324 41 0.990685955 0.681696057 0.882026036
2 0.474208381 0.481808264 0.575986324 42 0.474208381 0.481808264 0.575986324
3 0.474208381 0.481808264 0.575986324 43 0.474208381 0.934708117 0.575986324
4 0.474208381 0.481808264 0.575986324 44 0.586754802 0.999870444 0.94036123
5 0.474208381 0.729435317 0.575986324 45 0.586754802 0.834729707 0.857012058
6 0.474208381 0.481808264 0.575986324 46 0.474208381 0.867479921 0.740320141
7 0.474208381 0.481808264 0.575986324 47 0.801458887 0.900964462 0.575986324
8 0.972445216 0.963130838 0.575986324 48 0.807218522 0.999910449 0.727265787
9 0.474208381 0.481808264 0.575986324 49 0.844039879 0.481808264 0.649082186
10 0.474208381 0.481808264 0.575986324 50 0.474208381 0.481808264 0.575986324
11 0.474208381 0.801383568 0.575986324 51 0.953597453 0.481808264 0.722062336
12 0.647136947 0.958601323 0.575986324 52 0.729639268 0.650389226 0.935552582
13 0.720969832 0.999995352 0.575986324 53 0.819695969 0.784904493 0.769232147
14 0.474208381 0.481808264 0.575986324 54 0.474208381 0.60231403 0.773520369
15 0.808791309 0.907979782 0.904288937 55 0.474208381 0.481808264 0.575986324
16 0.720969832 0.87840691 0.575986324 56 0.895822774 0.872038032 0.973140596
17 0.754280882 0.481808264 0.971239666 57 0.798859095 0.70512654 0.575986324
85
No Jawa Barat Jawa Tengah Jawa Timur No Jawa Barat Jawa Tengah Jawa Timur
18 0.474208381 0.481808264 0.792461761 58 0.824953821 0.543304026 0.575986324
19 0.474208381 0.650389226 0.575986324 59 0.599145169 0.987686082 0.575986324
20 0.474208381 0.690167571 0.575986324 60 0.845517616 0.481808264 0.734202077
21 0.474208381 0.481808264 0.614446911 61 0.474208381 0.949423666 0.614446911
22 0.474208381 0.481808264 0.575986324 62 0.586754802 0.481808264 0.575986324
23 0.474208381 0.778699386 0.575986324 63 0.571653468 0.481808264 0.575986324
24 0.85597804 0.97273724 0.575986324 64 0.474208381 0.966544704 0.832492192
25 0.474208381 0.66203892 0.575986324 65 0.687356028 0.903862242 0.768104494
26 0.474208381 0.481808264 0.575986324 66 0.85426057 0.543304026 0.706115337
27 0.474208381 0.481808264 0.575986324 67 0.992473974 0.650389226 0.659909666
28 0.474208381 0.481808264 0.575986324 68 0.634342335 0.82362406 0.747502312
29 0.766927116 0.481808264 0.749154424 69 0.697179775 0.873136996 0.614446911
30 0.474208381 0.543304026 0.575986324 70 0.667625082 0.481808264 0.575986324
31 0.634342335 0.764919866 0.575986324 71 0.896060943 0.7239121 0.99460702
32 0.687356028 0.89143714 0.985154458 72 0.879046019 0.901700954 0.68258747
33 0.784443869 0.481808264 0.614446911 73 0.711255954 0.718050968 0.713106127
34 0.474208381 0.481808264 0.575986324 74 0.474208381 0.481808264 0.886461749
35 0.474208381 0.481808264 0.575986324 75 0.862861821 0.481808264 0.634956302
36 0.474208381 0.976951209 0.812870039 76 0.667625082 0.650389226 0.634956302
37 0.474208381 0.543304026 0.575986324 77 0.658067645 0.637037358 0.575986324
38 0.474208381 0.697941526 0.575986324 78 0.474208381 0.481808264 0.575986324
39 0.474208381 0.697941526 0.575986324 79 0.474208381 0.481808264 0.575986324
40 0.960422384 0.940896451 0.792461761
86
#Uji Andersondarling
F1= F.GEV(hujanBM$Jabar,226.0210656,141.5225902,-0.2187897)
A1=A2(sort(F.GEV(hujanBM$Jabar, 226.0210656,141.5225902,-0.2187897)))
AD1=A2_GOFlaio(hujanBM$Jabar, dist="GEV")
print(AD1)
#transformasi ke frechet
z1 <- gev2frech(hujanBM$Jabar, 226.0210656,141.5225902,-0.2187897)
z2 <- gev2frech(hujanBM$Jateng, 179.29986206,128.50393438,0.08802087)
z3 <- gev2frech(hujanBM$Jateng, 181.83745676, 162.37721168,-0.04369635)
Z=matrix(c(z1,z2,z3),ncol=3)
colnames(Z)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
print(Z)
#Transformasi ke Copula
u1<- exp(-1/z1)
u2<- exp(-1/z2)
u3<- exp(-1/z3)
U=matrix(c(u1,u2,u3),ncol = 3)
colnames(U)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
write.csv(U,file="D:\\surya\\SMT7\\Skripsi\\Data\\data transformasi
1.csv")
write.csv(r,file="D:\\surya\\SMT7\\Skripsi\\Data\\Random Copula
1.csv")
?rcopula
##Transformasi Data random hasil membangkitkan data dengan parameter
gaussian copula##
DataCop= read.delim("clipboard")
DataCop
91
u4<- exp(-1/DataCop$Jawa.Barat)
u5<- exp(-1/DataCop$Jawa.Tengah)
u6<- exp(-1/DataCop$Jawa.Timur)
U2=matrix(c(u4,u5,u6),ncol = 3)
colnames(U2)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
View(U2)
write.csv(U2,file="D:\\surya\\SMT7\\Skripsi\\Data\\data transformasi
2.csv")
u11<- exp(-1/ian$Jawa.Barat)
u12<- exp(-1/ian$Jawa.Tengah)
u13<- exp(-1/ian$Jawa.Timur)
U10=matrix(c(u11,u12,u13),ncol = 3)
c1 <- log (u11)
c2 <- log (u12)
c3 <- log (u13)
f1 <- -1/c1
f2 <- -1/c2
f3 <- -1/c3
H=matrix(c(a1,a2,a3),ncol=3)
View(H)
write.csv(H,file="D:\\surya\\SMT7\\Skripsi\\Data\\prediksi hujan
tahunan.csv")
print(A1)
fitdist_Par1=rbind(MLE=pois1MLE$estimate, MLE=pois2MLE$estimate,
MLE=pois3MLE$estimate)
fitdist_AIC1=rbind(MLE=pois1MLE$aic, MLE=pois2MLE$aic,
MLE=pois3MLE$aic)
rownames(fitdist_Par1)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
rownames(fitdist_AIC1)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
data.frame(fitdist_Par1,fitdist_AIC1)
fitdist_Par2=rbind(MLE=binom1MLE$estimate, MLE=binom2MLE$estimate,
MLE=binom3MLE$estimate)
fitdist_AIC2=rbind(MLE=binom1MLE$aic, MLE=binom2MLE$aic,
MLE=binom3MLE$aic)
rownames(fitdist_Par2)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
rownames(fitdist_AIC2)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
data.frame(fitdist_Par2,fitdist_AIC2)
U3=matrix(c(u7,u8,u9),ncol=3)
colnames(U3)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
write.csv(U3,file="D:\\surya\\SMT7\\Skripsi\\Data\\data transformasi
3.csv")
##Jawa Tengah##
a2=BiCopEst(u5, u8, 1, method="mle", se=TRUE)
b2=BiCopEst(u5, u8, 2, method="mle", se=TRUE)
c2=BiCopEst(u5, u8, 3, method="mle", se=TRUE)
d2=BiCopEst(u5, u8, 4, method="mle", se=TRUE)
e2=BiCopEst(u5, u8, 5, method="mle", se=TRUE)
f2=BiCopEst(u5, u8, 6, method="mle", se=TRUE)
g2=BiCopEst(u5, u8, 7, method="mle", se=TRUE)
h2=BiCopEst(u5, u8, 8, method="mle", se=TRUE)
i2=BiCopEst(u5, u8, 9, method="mle", se=TRUE)
j2=BiCopEst(u5, u8, 10, method="mle", se=TRUE)
k2=BiCopEst(u5, u8, 13, method="mle", se=TRUE)
m2=BiCopEst(u5, u8, 14, method="mle", se=TRUE)
n2=BiCopEst(u5, u8, 16, method="mle", se=TRUE)
o2=BiCopEst(u5, u8, 17, method="mle", se=TRUE)
p2=BiCopEst(u5, u8, 18, method="mle", se=TRUE)
q2=BiCopEst(u5, u8, 19, method="mle", se=TRUE)
r2=BiCopEst(u5, u8, 20, method="mle", se=TRUE)
s2=BiCopEst(u5, u8, 23, method="mle", se=TRUE)
t2=BiCopEst(u5, u8, 24, method="mle", se=TRUE)
u2=BiCopEst(u5, u8, 26, method="mle", se=TRUE)
v2=BiCopEst(u5, u8, 27, method="mle", se=TRUE)
w2=BiCopEst(u5, u8, 28, method="mle", se=TRUE)
x2=BiCopEst(u5, u8, 29, method="mle", se=TRUE)
y2=BiCopEst(u5, u8, 30, method="mle", se=TRUE)
z2=BiCopEst(u5, u8, 33, method="mle", se=TRUE)
aa2=BiCopEst(u5, u8, 34, method="mle", se=TRUE)
bb2=BiCopEst(u5, u8, 36, method="mle", se=TRUE)
cc2=BiCopEst(u5, u8, 37, method="mle", se=TRUE)
dd2=BiCopEst(u5, u8, 38, method="mle", se=TRUE)
ee2=BiCopEst(u5, u8, 39, method="mle", se=TRUE)
ff2=BiCopEst(u5, u8, 40, method="mle", se=TRUE)
fitCopJTNG_Par1=rbind(a2$par, b2$par, c2$par, d2$par, e2$par, f2$par,
g2$par, h2$par, i2$par, j2$par, k2$par,
m2$par, n2$par, o2$par, p2$par, q2$par, r2$par,
s2$par, t2$par, u2$par, v2$par, w2$par,
x2$par, y2$par, z2$par, aa2$par, bb2$par, cc2$par,
dd2$par, ee2$par, ff2$par)
fitCopJTNG_Par2=rbind(a2$par2, b2$par2, c2$par2, d2$par2, e2$par2,
f2$par2, g2$par2, h2$par2, i2$par2, j2$par2, k2$par2,
m2$par2, n2$par2, o2$par2, p2$par2, q2$par2, r2$par2,
s2$par2, t2$par2, u2$par2, v2$par2, w2$par2, x$par2,
y2$par2, z2$par2, aa2$par2, bb2$par2, cc2$par2,
dd2$par2, ee2$par2, ff2$par2)
fitCopJTNG_AIC=rbind(a2$AIC, b2$AIC, c2$AIC, d2$AIC, e2$AIC, f2$AIC,
g2$AIC, h2$AIC, i2$AIC, j2$AIC, k2$AIC,
m2$AIC, n2$AIC, o2$AIC, p2$AIC, q2$AIC, r2$AIC, s$AIC,
t2$AIC, u2$AIC, v2$AIC, w2$AIC,
x2$AIC, y2$AIC, z2$AIC, aa2$AIC, bb2$AIC, cc2$AIC,
dd2$AIC, ee2$AIC, ff2$AIC)
rownames(fitCopJTNG_Par1)=c("Gaussian Cop","Student t Cop","Clay
Cop","Gumble Cop","Frank Cop","Joe Cop","BB1 Cop",
"BB6 Cop","BB7 Cop","BB8 Cop", "Clay Cop 180",
"Gum Cop 180", "Joe Cop 180", "BB1 Cop 180",
"BB6 Cop 180","BB6=7 Cop 180", "BB8 Cop 180","Clay
Cop 90", "Gum Cop 90", "Joe Cop 90",
"BB1 Cop 90","BB6 Cop 90","BB7 Cop 90", "BB8 Cop
90","Clay Cop 270", "Gum Cop 270",
"Joe Cop 270", "BB1 Cop 270","BB1 Cop 270","BB7
Cop 270", "BB8 Cop 270")
JTNGCop=data.frame(fitCopJTNG_Par1,fitCopJTNG_Par2,fitCopJTNG_AIC)
95
##Jawa Timur##
a3=BiCopEst(u6, u9, 1, method="mle", se=TRUE)
b3=BiCopEst(u6, u9, 2, method="mle", se=TRUE)
c3=BiCopEst(u6, u9, 3, method="mle", se=TRUE)
d3=BiCopEst(u6, u9, 4, method="mle", se=TRUE)
e3=BiCopEst(u6, u9, 5, method="mle", se=TRUE)
f3=BiCopEst(u6, u9, 6, method="mle", se=TRUE)
g3=BiCopEst(u6, u9, 7, method="mle", se=TRUE)
h3=BiCopEst(u6, u9, 8, method="mle", se=TRUE)
i3=BiCopEst(u6, u9, 9, method="mle", se=TRUE)
j3=BiCopEst(u6, u9, 10, method="mle", se=TRUE)
k3=BiCopEst(u6, u9, 13, method="mle", se=TRUE)
m3=BiCopEst(u6, u9, 14, method="mle", se=TRUE)
n3=BiCopEst(u6, u9, 16, method="mle", se=TRUE)
o3=BiCopEst(u6, u9, 17, method="mle", se=TRUE)
p3=BiCopEst(u6, u9, 18, method="mle", se=TRUE)
q3=BiCopEst(u6, u9, 19, method="mle", se=TRUE)
r3=BiCopEst(u6, u9, 20, method="mle", se=TRUE)
s3=BiCopEst(u6, u9, 23, method="mle", se=TRUE)
t3=BiCopEst(u6, u9, 24, method="mle", se=TRUE)
u3=BiCopEst(u6, u9, 26, method="mle", se=TRUE)
v3=BiCopEst(u6, u9, 27, method="mle", se=TRUE)
w3=BiCopEst(u6, u9, 28, method="mle", se=TRUE)
x3=BiCopEst(u6, u9, 29, method="mle", se=TRUE)
y3=BiCopEst(u6, u9, 30, method="mle", se=TRUE)
z3=BiCopEst(u6, u9, 33, method="mle", se=TRUE)
aa3=BiCopEst(u6, u9, 34, method="mle", se=TRUE)
bb3=BiCopEst(u6, u9, 36, method="mle", se=TRUE)
cc3=BiCopEst(u6, u9, 37, method="mle", se=TRUE)
dd3=BiCopEst(u6, u9, 38, method="mle", se=TRUE)
ee3=BiCopEst(u6, u9, 39, method="mle", se=TRUE)
ff3=BiCopEst(u6, u9, 40, method="mle", se=TRUE)
fitCopJTM_Par1=rbind(a3$par, b3$par, c3$par, d3$par, e3$par, f3$par,
g3$par, h3$par, i3$par, j3$par, k3$par,
m3$par, n3$par, o3$par, p3$par, q3$par, r3$par,
s3$par, t3$par, u3$par, v3$par, w3$par,
x3$par, y3$par, z3$par, aa3$par, bb3$par, cc3$par,
dd3$par, ee3$par, ff3$par)
fitCopJTM_Par2=rbind(a3$par2, b3$par2, c3$par2, d3$par2, e3$par2,
f3$par2, g3$par2, h3$par2, i3$par2, j3$par2, k3$par2,
m3$par2, n3$par2, o3$par2, p3$par2, q3$par2, r3$par2,
s3$par2, t3$par2, u3$par2, v3$par2, w3$par2, x$par2,
y3$par2, z3$par2, aa3$par2, bb3$par2, cc3$par2,
dd3$par2, ee3$par2, ff3$par2)
fitCopJTM_AIC=rbind(a3$AIC, b3$AIC, c3$AIC, d3$AIC, e3$AIC, f3$AIC,
g3$AIC, h3$AIC, i3$AIC, j3$AIC, k3$AIC,
m3$AIC, n3$AIC, o3$AIC, p3$AIC, q3$AIC, r3$AIC, s$AIC,
t3$AIC, u3$AIC, v3$AIC, w3$AIC,
x3$AIC, y3$AIC, z3$AIC, aa3$AIC, bb3$AIC, cc3$AIC,
dd3$AIC, ee3$AIC, ff3$AIC)
rownames(fitCopJTM_Par1)=c("Gaussian Cop","Student t Cop","Clay
Cop","Gumble Cop","Frank Cop","Joe Cop","BB1 Cop",
"BB6 Cop","BB7 Cop","BB8 Cop", "Clay Cop 180",
"Gum Cop 180", "Joe Cop 180", "BB1 Cop 180",
"BB6 Cop 180","BB6=7 Cop 180", "BB8 Cop
180","Clay Cop 90", "Gum Cop 90", "Joe Cop 90",
96